知识星球 | 深度连接铁杆粉丝，运营高品质社群，知识变现的工具

来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231106_0297120.05478239037914445.jpeg)

HuggingAI

2024-02-29 22:45

【文章推荐】 LLM-RAG-QA： 增加向量检索 LLM-RAG-QA简易版中，仅凭query关键词召回文章时，存在语义鸿沟问题，如“叔本华信仰何种宗教”的query与“佛教”答案匹配度低。实验发现相关性最低的文章排序反而靠前，而可能正确的答案却滞后。因此，最新尝试在该模型中增加向量检索功能，利用基于BERT的text2vec-base-chinese表征模型进行query与title、text的匹配计算，以提升检索精度。 文章地址: [LLM-RAG-QA： 增加向量检索](https://mp.weixin.qq.com/s/Qt_KHBa6G7ewKxK63tnzyg "LLM-RAG-QA： 增加向量检索") #RAG# #文章推荐#

展开全部

RAG

文章推荐来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231106_0521640.272633265013723.jpeg)

HuggingAI

2024-02-29 22:45

【文章推荐】 LLM-RAG-QA： 增加向量检索 LLM-RAG-QA简易版中，仅凭query关键词召回文章时，存在语义鸿沟问题，如“叔本华信仰何种宗教”的query与“佛教”答案匹配度低。实验发现相关性最低的文章排序反而靠前，而可能正确的答案却滞后。因此，最新尝试在该模型中增加向量检索功能，利用基于BERT的text2vec-base-chinese表征模型进行query与title、text的匹配计算，以提升检索精度。 文章地址: [LLM-RAG-QA： 增加向量检索](https://mp.weixin.qq.com/s/Qt_KHBa6G7ewKxK63tnzyg "LLM-RAG-QA： 增加向量检索") #RAG# #文章推荐#

展开全部

RAG

文章推荐来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231106_0401940.823646563755928.jpeg)

HuggingAI

2024-02-29 22:45

【文章推荐】 LLM-RAG-QA： 增加向量检索 LLM-RAG-QA简易版中，仅凭query关键词召回文章时，存在语义鸿沟问题，如“叔本华信仰何种宗教”的query与“佛教”答案匹配度低。实验发现相关性最低的文章排序反而靠前，而可能正确的答案却滞后。因此，最新尝试在该模型中增加向量检索功能，利用基于BERT的text2vec-base-chinese表征模型进行query与title、text的匹配计算，以提升检索精度。 文章地址: [LLM-RAG-QA： 增加向量检索](https://mp.weixin.qq.com/s/Qt_KHBa6G7ewKxK63tnzyg "LLM-RAG-QA： 增加向量检索") #RAG# #文章推荐#

展开全部

RAG

文章推荐来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231106_0364230.0007560593786869463.jpeg)

HuggingAI

2024-02-29 22:45

【文章推荐】 LLM-RAG-QA： 增加向量检索 LLM-RAG-QA简易版中，仅凭query关键词召回文章时，存在语义鸿沟问题，如“叔本华信仰何种宗教”的query与“佛教”答案匹配度低。实验发现相关性最低的文章排序反而靠前，而可能正确的答案却滞后。因此，最新尝试在该模型中增加向量检索功能，利用基于BERT的text2vec-base-chinese表征模型进行query与title、text的匹配计算，以提升检索精度。 文章地址: [LLM-RAG-QA： 增加向量检索](https://mp.weixin.qq.com/s/Qt_KHBa6G7ewKxK63tnzyg "LLM-RAG-QA： 增加向量检索") #RAG# #文章推荐#

展开全部

RAG

文章推荐来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231106_0487250.822566436206493.jpeg)

HuggingAI

2024-02-29 22:45

【文章推荐】 LLM-RAG-QA： 增加向量检索 LLM-RAG-QA简易版中，仅凭query关键词召回文章时，存在语义鸿沟问题，如“叔本华信仰何种宗教”的query与“佛教”答案匹配度低。实验发现相关性最低的文章排序反而靠前，而可能正确的答案却滞后。因此，最新尝试在该模型中增加向量检索功能，利用基于BERT的text2vec-base-chinese表征模型进行query与title、text的匹配计算，以提升检索精度。 文章地址: [LLM-RAG-QA： 增加向量检索](https://mp.weixin.qq.com/s/Qt_KHBa6G7ewKxK63tnzyg "LLM-RAG-QA： 增加向量检索") #RAG# #文章推荐#

展开全部

RAG

文章推荐来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231106_0948950.20193655956964163.jpeg)

HuggingAI

2024-02-29 22:45

【文章推荐】 LLM-RAG-QA： 增加向量检索 LLM-RAG-QA简易版中，仅凭query关键词召回文章时，存在语义鸿沟问题，如“叔本华信仰何种宗教”的query与“佛教”答案匹配度低。实验发现相关性最低的文章排序反而靠前，而可能正确的答案却滞后。因此，最新尝试在该模型中增加向量检索功能，利用基于BERT的text2vec-base-chinese表征模型进行query与title、text的匹配计算，以提升检索精度。 文章地址: [LLM-RAG-QA： 增加向量检索](https://mp.weixin.qq.com/s/Qt_KHBa6G7ewKxK63tnzyg "LLM-RAG-QA： 增加向量检索") #RAG# #文章推荐#

展开全部

RAG

文章推荐来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231106_1193140.24648818350065438.jpeg)

HuggingAI

2024-02-29 22:45

【文章推荐】 LLM-RAG-QA： 增加向量检索 LLM-RAG-QA简易版中，仅凭query关键词召回文章时，存在语义鸿沟问题，如“叔本华信仰何种宗教”的query与“佛教”答案匹配度低。实验发现相关性最低的文章排序反而靠前，而可能正确的答案却滞后。因此，最新尝试在该模型中增加向量检索功能，利用基于BERT的text2vec-base-chinese表征模型进行query与title、text的匹配计算，以提升检索精度。 文章地址: [LLM-RAG-QA： 增加向量检索](https://mp.weixin.qq.com/s/Qt_KHBa6G7ewKxK63tnzyg "LLM-RAG-QA： 增加向量检索") #RAG# #文章推荐#

展开全部

RAG

文章推荐来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231106_1185960.5338188260022235.jpeg)

HuggingAI

2024-02-29 22:45

【文章推荐】 LLM-RAG-QA： 增加向量检索 LLM-RAG-QA简易版中，仅凭query关键词召回文章时，存在语义鸿沟问题，如“叔本华信仰何种宗教”的query与“佛教”答案匹配度低。实验发现相关性最低的文章排序反而靠前，而可能正确的答案却滞后。因此，最新尝试在该模型中增加向量检索功能，利用基于BERT的text2vec-base-chinese表征模型进行query与title、text的匹配计算，以提升检索精度。 文章地址: [LLM-RAG-QA： 增加向量检索](https://mp.weixin.qq.com/s/Qt_KHBa6G7ewKxK63tnzyg "LLM-RAG-QA： 增加向量检索") #RAG# #文章推荐#

展开全部

RAG

文章推荐来自：大语言模型论文跟踪进入星球

![](https://yg9538.kmgy.top/img/2024/03/30/2024-03-30_231106_1444390.15796128439436952.jpeg)

HuggingAI

2024-02-29 22:45

【文章推荐】 LLM-RAG-QA： 增加向量检索 LLM-RAG-QA简易版中，仅凭query关键词召回文章时，存在语义鸿沟问题，如“叔本华信仰何种宗教”的query与“佛教”答案匹配度低。实验发现相关性最低的文章排序反而靠前，而可能正确的答案却滞后。因此，最新尝试在该模型中增加向量检索功能，利用基于BERT的text2vec-base-chinese表征模型进行query与title、text的匹配计算，以提升检索精度。 文章地址: [LLM-RAG-QA： 增加向量检索](https://mp.weixin.qq.com/s/Qt_KHBa6G7ewKxK63tnzyg "LLM-RAG-QA： 增加向量检索") #RAG# #文章推荐#

展开全部

RAG

文章推荐